Gap analysis — capacité humaine × capacité IA
Black-Scholes × Séries temporelles ARIMA/SARIMA
Valorisation des dérivés et prévision statistique des séries financières
Fiches comparées
Black-ScholesCapacité humaine · SocialSéries temporelles ARIMA/SARIMACapacité IA · Data science / modèles prédictifsApport de l'IA
Les modèles ARIMA/SARIMA apportent une estimation empirique de la dynamique temporelle des séries de prix et de volatilité, avec des intervalles de prévision explicites, là où Black-Scholes suppose une volatilité constante et une distribution normale des rendements. Ils ne corrigent pas pour autant la faille principale relevée par Mandelbrot : linéaires et univariés par nature, ils sous-estiment eux aussi les événements extrêmes.
Mécanisme
Modélisation et prévision d'une série temporelle univariée à partir de ses valeurs et de ses erreurs passées, avec différenciation pour traiter la non-stationnarité et extension SARIMA prenant explicitement en compte la saisonnalité, dans un cadre statistique de diagnostic (stationnarité, autocorrélation des résidus). La fiche IA n'assortit cet usage d'aucun niveau de maturité : une méthode considérée en elle-même n'a pas de TRL.
Comment faire mieux
Vérifier explicitement les hypothèses sur les résidus, les intervalles de prévision n'étant valides que s'ils sont non corrélés et normalement distribués ; se méfier des procédures automatiques de sélection, dont les résultats sont discutés ; combiner avec des approches non linéaires pour capturer les dynamiques que ni Black-Scholes ni ARIMA ne modélisent.
Mode d'interaction recommandé
Co-pilotage quantitatif : le modèle fournit une prévision bornée, le praticien arbitre le risque de queue.
Substituabilité
Remplaçable avec supervision humaine
Scénarios temporels
Présent
En 2026, ARIMA/SARIMA sont documentés par la fiche IA comme outils de prévision économique et opérationnelle, sans niveau de maturité attaché, tandis que Black-Scholes reste la référence de valorisation des dérivés malgré des hypothèses contestées depuis longtemps.
+5 ans
Si les modèles de valorisation assistés par apprentissage profond se stabilisent, ils pourraient compléter le cadre analytique classique sur les dynamiques non linéaires, sans nécessairement fournir la transparence qui a fait l'adoption de Black-Scholes.
+15/20 ans
Spéculatif : sous l'hypothèse que les modèles appris deviennent la référence de valorisation, la finance perdrait une formule fermée partagée par tous les intervenants, ce qui déplacerait le risque de modèle vers l'opacité plutôt que vers l'hypothèse de normalité.
Axes possibles (perspectives, pas des prédictions tranchées)
Complémentarité modèles appris / formule fermée
Opinion majoritaireUsage conjoint d'un cadre analytique transparent et de modèles appris pour les dynamiques non linéaires de volatilité.
Persistance du risque de queue
Consensus scientifiqueFrein établi : les approches linéaires et univariées héritent de la même sous-estimation des événements extrêmes que le cadre de 1973.
Perte de référence commune
Hypothèse prospectiveHypothèse d'un marché sans standard de valorisation partagé, où le risque de modèle se déplace vers l'opacité des systèmes appris.
Sous-thèmes et axes de recherche
Sous-thèmes
- Hypothèse de normalité et sous-estimation des événements extrêmes
- Validité des intervalles de prévision et diagnostic des résidus
- Transparence d'une formule fermée contre performance d'un modèle appris
Axes de recherche
- Quelles familles de modèles capturent mieux les queues de distribution que les approches linéaires classiques ?
- Comment évaluer un modèle de valorisation appris lorsqu'aucune formule fermée ne permet la vérification ?
- Quel est le coût, pour un marché, de la perte d'une référence de valorisation partagée ?
Documents clés
- 1.Modèle Black-Scholes — Wikipédiasecondaire
- 2.Autoregressive integrated moving average — Wikipedia (EN)secondaire
Données brutes de cette analyse : /api/gap/black-scholes-vs-arima-sarima — méthode de comparaison détaillée dans la méthodologie.